多目标进化优化方法综述（2017年）

MOJaya是一种多目标优化算法，结合了SPEA2和Jaya算法的特点。

多目标优化里头，NSGA-II 算法还挺经典的，属于进化算法中的老大哥级别。它是在老版 NSGA 的基础上做了不少优化，比如非支配排序快了不少，速度快，代码也不臃肿。精英策略的引入也让好个体不容易被淘汰，结果更稳，收敛也更快。 精英策略的引入挺关键，防止了“好苗子”在迭代中被随机干掉的尴尬。举个例子，如果你在做路径规划、多目标调度这类事儿，这点能帮你节省不少调参时间。 拥挤度比较这块也蛮有意思。以前的 NSGA 要手动设置共享半径，麻烦还容易出锅。NSGA-II 直接上密度排序，你不用再关心那些参数细节，个体分布也更均匀，结果看起来就舒服多了。 资源是打包好的NSGA-II.zip，里面代码结

本资源包含MOEA-dev-matser.zip全套代码，涵盖NAGAII、NSGAIII、MOEAD-DE、MOEA-DRA、MOEAD-M2M、SPEA2-SDE、GrEA、e-MOEA等多种进化算法，并附带中文注释。提供DTLZ、WFG、ZDT、UF、MOP、MOKP等多套数据集，经过验证可直接运行，生成多种评估指标如IGD值。

运用反向学习模型的最新多目标进化算法，在优化问题领域取得突破性的进展。

Matlab多目标优化代码CPDEA版本所有权归刘一平所有。介绍了在进化多模态多目标优化中处理决策空间中收敛和多样性不平衡的问题。研究提出了不平衡距离最小化问题（IDMP）并使用收敛惩罚密度进化算法（CPDEA）。该算法平衡决策空间中的收敛性和多样性。发表于IEEE进化计算汇刊2020年，第24卷第3期，第551-565页。如有疑问，请联系。

介绍了多目标滑模模型算法（MOSMA），这是最近开发的滑模模型算法（SMA）的一种变体，专门用于解决行业中的多目标优化问题。近年来，优化社区提出了多种元启发式和进化优化技术，用于处理这些优化问题。在评估多目标优化（MOO）问题时，这些方法通常会面临解决方案质量低下的问题，而非准确估计帕累托最优解和所有目标函数的分布。SMA方法基于实验室对黏菌振荡行为的观察而来，显示出强大的性能，通过结合最佳食物路径设计。MOSMA算法采用SMA机制进行收敛，并结合精英非支配排序方法来估计帕累托最优解。此外，MOSMA保留了多目标公式，并利用拥挤距离算子来确保所有目标的最佳解决方案覆盖范围扩展。为了验证MOSM

根据不同情况，对多相合金中的颗粒状第二相进行二值化、颗粒分割、孔洞填充以及滤波等图像预处理，得到离散的多目标黑白二值图像。为了统计分析多个颗粒，提出了多目标边界追踪算法，利用八连通边界追踪得到的每个颗粒的唯一标志点及其边界的Freeman码，从而获得第二相的体积分数、周长、面积、形状因子、平均自由程等特征参数。实验结果验证，该算法在离散多目标统计中表现出了实用性和有效性。

Hype Indicator Exact 在 MATLAB 中是个挺有意思的算法，主要用来多目标优化问题。这个算法基于进化算法，通过一个精确的指标来引导进化过程，找到最佳的帕累托前沿解。嗯，它可以有效那些目标冲突的优化问题，像是你会遇到的资源分配、任务调度这类问题。主要是通过初始化种群、适应度评估、选择、交叉和变异操作，不断迭代，直到算法收敛到最优解。如果你是在 MATLAB 环境中做多目标优化，这个算法的实现方式挺简单，代码也比较直接，给你一个灵活的框架。你可以根据实际需求调整算法的各项参数，比如种群大小、交叉概率和变异概率，甚至利用 MATLAB 的并行计算加速整个过程。简单来说，Hype

本程序使用多目标协同优化算法实现遗传算法，具有出色的收敛性。提供测试算例，供您学习参考。